The invention discloses a liquid crystal screen defect detection method and system based on deep learning, which belongs to the field of image processing technology. This method includes seven parts: image acquisition, data annotation, sliding window operation, data enhancement, network training, defect detection and defect semantics segmentation. The invention also provides a defect detection system for LCD screen based on in-depth learning, including image acquisition module, data annotation module, image partition module, data enhancement module, network training module, parallel detection module and defect segmentation module. The invention proposes to realize segmentation in detection technology, which can not only acquire the type and location of defects, but also acquire their specific shape; use data enhancement operation, greatly reduce the cost of data set production; adopt parallel detection based on deep learning, not only ensure the detection accuracy, but also improve the detection speed.
【技术实现步骤摘要】
一种基于深度学习的液晶屏瑕疵检测方法及系统
本专利技术涉及图像处理
,特别涉及一种基于深度学习的液晶屏瑕疵检测方法及系统。
技术介绍
随着电子科技行业的快速发展,各种便携式设备在日常生活中被广泛应用,其人机交互界面窗口——显示屏则显得尤为重要。液晶屏因显示质量高、没有电磁辐射、可视面积大、应用范围广、功耗低等优点,越来越多地被用于设备显示。液晶显示屏面板中含有缺陷的晶体管将造成屏幕永久性的亮点与暗点;因尺寸较大,与传统电路板相比,液晶屏表面更容易存在瑕疵。因此,对液晶屏的瑕疵检测是十分重要的,它直接关系到产品的最终性能与质量;而该项检测涉及的工件品种多,数量大,检测过程的自动化已成为相关企业发展的迫切需求,目前国内大部分企业仍然采用传统机器学习技术,如统计法、频谱法等。这些方法均存在着瑕疵与非瑕疵区域间的对比度低,噪声和细微瑕疵的相似性、识别精度不高以及检测速度慢等问题,无法满足工业生产准确性和实时性的要求。自2012年ImageNet大规模视觉识别竞赛中基于深度学习的方法一举夺得图像分类、目标定位两个冠军以来,深度学习以燎原之势席卷各行各业,识别精度和检测速度较传统算法有大幅提升。
技术实现思路
本专利技术的目的在于提供一种基于深度学习的液晶屏瑕疵检测方法及系统,以解决现有的检测方法精度低,且速度慢的问题。为解决上述技术问题,本专利技术提供一种基于深度学习的液晶屏瑕疵检测方法,包括如下步骤:步骤1:采集带有瑕疵的液晶屏图像,制成数据集;步骤2:将采集到的图像进行瑕疵类型、位置以及像素点的标注;步骤3:根据所获得的瑕疵数据,分别设置网络所需要检测的瑕疵类 ...
【技术保护点】
1.一种基于深度学习的液晶屏瑕疵检测方法,其特征在于,包括如下步骤:步骤1:采集带有瑕疵的液晶屏图像,制成数据集;步骤2:将采集到的图像进行瑕疵类型、位置以及像素点的标注;步骤3:根据所获得的瑕疵数据,分别设置网络所需要检测的瑕疵类型数目以及检测框的初始大小,调节参数,进行网络训练;步骤4:将一系列小图像送入网络,图像经过19层卷积层以及5层池化层后进行检测,判断是否存在瑕疵,若存在瑕疵,则输出瑕疵类型及相应位置;步骤5:瑕疵类型及相应位置作为兴趣区域输入到后续层中,将其进行反卷积操作,得到与输入图片大小一致的特征图,结合兴趣区域,实现瑕疵语义分割,获取其具体形状。
【技术特征摘要】
1.一种基于深度学习的液晶屏瑕疵检测方法,其特征在于,包括如下步骤:步骤1:采集带有瑕疵的液晶屏图像,制成数据集;步骤2:将采集到的图像进行瑕疵类型、位置以及像素点的标注;步骤3:根据所获得的瑕疵数据,分别设置网络所需要检测的瑕疵类型数目以及检测框的初始大小,调节参数,进行网络训练;步骤4:将一系列小图像送入网络,图像经过19层卷积层以及5层池化层后进行检测,判断是否存在瑕疵,若存在瑕疵,则输出瑕疵类型及相应位置;步骤5:瑕疵类型及相应位置作为兴趣区域输入到后续层中,将其进行反卷积操作,得到与输入图片大小一致的特征图,结合兴趣区域,实现瑕疵语义分割,获取其具体形状。2.如权利要求1所述的基于深度学习的液晶屏瑕疵检测方法,其特征在于,在所述步骤3之前,所述基于深度学习的液晶屏瑕疵检测方法还包括:通过滑窗操作将采集到的图像分割成一系列小图像;通过对图像进行翻转、平移以及调节对比度实现数据增强,并分成训练集和验证集。3.如权利要求2所述的基于深度学习的液晶屏瑕疵检测方法,其特征在于,所述步骤3具体为:对训练集进行网络训练,训练完成后,利用验证集进行精度评估,直到满足相关标准;否则,调节参数,重新开始或继续训练。4.如权利要求1-3任一所述的基于深度学习的液晶屏瑕疵检测方法,其特征在于,所述步骤3中修改网络检测类型数目,为每一类检测目标分配固定的编号;通过k-means算法设置检测框的初始大小。5.如权利要求1所述的基于深度学习的液晶屏瑕疵检测方法,其特征在于,所述步骤2中通过LabelI...
【专利技术属性】
技术研发人员:周洪钧,尤鸣宇,
申请(专利权)人:无锡动视宫原科技有限公司,
类型:发明
国别省市:江苏,32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。